买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜华东师范大学申请的专利一种轻量化动态分辨率图像分类模型的构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114926334B 。

龙图腾网通过国家知识产权局官网在2025-04-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210516026.6，技术领域涉及：G06F17/40；该发明授权一种轻量化动态分辨率图像分类模型的构建方法是由谢源;刘洋;张志忠设计研发完成，并于2022-05-12向国家知识产权局提交的专利申请。

本一种轻量化动态分辨率图像分类模型的构建方法在说明书摘要公布了：本发明公开了一种轻量化动态分辨率图像分类模型的构建方法，其特点是利用一个较小的网络模块对于样本的最佳分辨率进行预测，该过程中引入最优传输问题对其进行建模，迭代预测出每个样本最适合的分辨率，再将其输入多尺度的网络模型中进行分类预测，从而实现动态分辨率图像分类网络。本发明与现有技术相比具有计算量小、识别正确率高和速度快的优点，不但解决了动态分辨率网络中分辨率选择不均衡的问题，而且取得了更高的分类正确率结果，大大减少了图片分类过程中的计算量，在实际推理过程中的速度与识别正确率均有大幅提高。

本发明授权一种轻量化动态分辨率图像分类模型的构建方法在权利要求书中公布了：1.一种轻量化动态分辨率图像分类模型的构建方法，其特征在于采用在卷积神经网络模型中引入最优传输策略的方法，利用轻量分辨率预测模块对于图像的最佳分辨率进行预测，实现动态分辨率图像分类模型轻量化具体包括下述步骤：步骤1：数据集准备与预处理1-1：收集大批量待分类的图像数据，将其按照8:2比例划分训练集与测试集，其图像格式为JPG；1-2：将上述训练集图片按预设的分辨率列表r进行缩放，将每张图片缩放至K种不同尺寸，生成对应的多尺度图像列表，然后采用随机水平翻转对训练集数据进行数据增强；对于测试集图片按预设的分辨率列表r进行缩放处理；步骤2：多尺度分类网络的构建2-1：在基本分类卷积神经网络上采用平行网络结构，使用不同的批处理层处理不同分辨率大小的数据，构建多尺度分类网络模块；2-2：将步骤1的多尺度图像数据列表输入到多尺度分类网络中，为列表中每张图片进行特征提取，得到预测结果；步骤3：多尺度分类网络的训练3-1：利用步骤2得到的预测结果对多尺度分类网络进行训练，根据其预测结果以及真实图像标签计算交叉熵损失与自蒸馏损失；3-2：为训练过程设置合适的学习率与优化策略；3-3：当训练迭代次数达到设置的阈值时，停止训练；3-4：利用步骤1缩放处理的测试集数据对多尺度分类网络进行测试，根据正确率确定模型训练结果；步骤4：分辨率预测模块的构建4-1：采用两层卷积层构建轻量化的分辨率预测模块；4-2：将步骤1的多尺度图像数据列表，选取小尺寸图片xl输入上述构建的分辨率预测模块中，所输出结果用于动态分辨率预测；步骤5：最优传输动态分辨率预测5-1：将同一批中的N个数据看作是N个供应方，待选择的K个候选分辨率看作是K个需求方，为动态分辨率分配问题进行最优传输建模，即将分辨率预测问题建模成最优传输问题；5-2：利用分辨率预测模块输出传输过程的代价矩阵，表示每一个样本分配至每一个分辨率所花费的计算量以及正确率所需的开销；5-3：通过算法迭代根据最低总代价计算出最优运输方案，即每个图片样本的最优分辨率选择结果；步骤6：多路径动态分辨率的预测6-1：根据最优运输方案与阈值判断，动态选取多条小分辨率分支进行同步测试推理；6-2：根据分辨率预测结果引入多分支动态推理方案，将多条分辨率分支的预测结果加权求和，作为最终的预测结果；步骤7：分辨率预测模块的训练7-1：固定多尺度分类网络的模型参数，利用步骤2中的各分辨率分支的输出预测结果构造理想情况下的代价矩阵；7-2：对步骤4中的分辨率预测模块通过构造的损失函数进行训练，该训练过程利用理想情况下的代价矩阵对输出结果进行约束；7-3：为训练过程设置合适的学习率与优化策略；7-4：当训练迭代次数达到设置的阈值时，停止训练；7-5：利用步骤1的测试集数据对分辨率预测模块和多尺度分类网络进行整体测试，并根据步骤5的最优运输方案对该测试集数据的分辨率进行缩放，并输入至多尺度分类网络中，根据正确率确定模型训练结果，得到基于最优传输问题的动态分辨率图像分类模型的轻量化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华东师范大学，其通讯地址为：200241 上海市闵行区东川路500号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。